AI কি সত্যিই ফ্রি? আপনার প্রতিটি প্রশ্নের পেছনে যে বিশাল অর্থনীতি কাজ করছে
প্রযুক্তি ও এআই ডেস্ক | ZAPZAB
কিন্তু পর্দার আড়ালে গল্পটা সম্পূর্ণ ভিন্ন।
আপনার প্রশ্ন ফাইবার অপটিক নেটওয়ার্কের মাধ্যমে পৌঁছে যায় কোনো একটি ডাটা সেন্টারে। বাইরে থেকে ডাটা সেন্টারকে বিশাল কোনো গুদামঘরের মতো মনে হলেও ভেতরে থাকে সারি সারি সার্ভার, শক্তিশালী GPU এবং বিভিন্ন AI accelerator।
এই মেশিনগুলো আপনার প্রশ্নের উত্তর তৈরি করতে বিপুল পরিমাণ হিসাব করে। আর হিসাব করতে লাগে বিদ্যুৎ। বিদ্যুৎ থেকে তৈরি হয় তাপ। সেই তাপ সরাতে আবার লাগে কুলিং সিস্টেম, যার জন্য কোথাও কোথাও ব্যবহার হয় বিপুল পরিমাণ পানি।
অর্থাৎ আপনার স্ক্রিনে উত্তরটি ফ্রি মনে হলেও, সেটি তৈরি করতে বিদ্যুৎ, পানি, সার্ভার, চিপ, কুলিং সিস্টেম এবং বিপুল অর্থ ব্যয় হচ্ছে।
ডাটা সেন্টারের বিদ্যুৎ খরচ দ্রুত বাড়ছে
প্রদত্ত তথ্যে আন্তর্জাতিক জ্বালানি সংস্থা বা International Energy Agency-এর সর্বশেষ তথ্যের কথা উল্লেখ করা হয়েছে।
সেখানে বলা হয়েছে, ২০২৫ সালে বিশ্বের ডাটা সেন্টারগুলো প্রায় ৪৮৫ টেরাওয়াট-ঘণ্টা বিদ্যুৎ ব্যবহার করেছে।
আর ২০৩০ সালের মধ্যে এই ব্যবহার বেড়ে প্রায় ৯৫০ টেরাওয়াট-ঘণ্টা হতে পারে।
অর্থাৎ কয়েক বছরের মধ্যে ডাটা সেন্টারের বিদ্যুৎ চাহিদা প্রায় দ্বিগুণ হওয়ার সম্ভাবনা দেখানো হয়েছে।
এই বৃদ্ধির অন্যতম বড় চালক হিসেবে উঠে এসেছে Artificial Intelligence বা AI।
AI ডাটা সেন্টারের জন্য Google এবং Amazon পরমাণু বিদ্যুৎ কেন্দ্রের সঙ্গে দীর্ঘমেয়াদি চুক্তিও করেছে বলে আপনার দেওয়া তথ্যে উল্লেখ রয়েছে।
AI-এর মূল শক্তি GPU
AI কীভাবে এত দ্রুত উত্তর তৈরি করে, সেটি বুঝতে GPU-এর ভূমিকা বোঝা জরুরি।
সহজভাবে বলা যায়, CPU-কে একজন বিশ্ববিদ্যালয়ের অধ্যাপকের সঙ্গে তুলনা করা যায়। তিনি কঠিন ও জটিল সমস্যা সমাধান করতে পারেন, কিন্তু একসঙ্গে লাখ লাখ সাধারণ হিসাব করতে গেলে সময় লাগে।
GPU অনেকটা বিশাল একটি ক্লাসরুমের মতো। সেখানে হাজার হাজার শিক্ষার্থী একই সময়ে আলাদা আলাদা সাধারণ হিসাব করতে পারে।
এই পদ্ধতিকে বলা হয় Parallel Processing।
বড় AI মডেলকে কাজ করানোর সময় অসংখ্য ছোট ছোট গাণিতিক হিসাব একসঙ্গে করতে হয়। তাই AI-এর জন্য GPU অত্যন্ত গুরুত্বপূর্ণ।
ChatGPT কীভাবে আপনার উত্তর তৈরি করে?
বড় ভাষা মডেল বা LLM-এর ভেতরে থাকে বিলিয়ন বিলিয়ন প্যারামিটার।
মডেলকে প্রশিক্ষণ দেওয়ার সময় এই প্যারামিটারগুলোর মাধ্যমে ভাষার প্যাটার্ন, শব্দের সম্পর্ক, বাক্যের ধরন এবং বিভিন্ন ধারণা শেখানো হয়।
আপনি যখন একটি প্রশ্ন করেন, AI পুরো উত্তর একবারে তৈরি করে না। বরং উত্তরটি ছোট ছোট অংশে তৈরি করে। এই অংশগুলোকে বলা হয় টোকেন।
একটি টোকেন তৈরি হওয়ার পর মডেল হিসাব করে পরবর্তী টোকেন কী হতে পারে। এরপর আবার পরবর্তী অংশের হিসাব হয়। এভাবেই ধাপে ধাপে পুরো উত্তর তৈরি হয়।
এই প্রক্রিয়ার পেছনে চলে বিপুল পরিমাণ গাণিতিক হিসাব, বিশেষ করে Matrix Calculation। আর এই হিসাব দ্রুত করার জন্যই শক্তিশালী GPU দরকার।
AI বানানোর খরচ কত?
AI-এর ক্ষেত্রে একটি বড় খরচ হলো মডেলকে প্রশিক্ষণ বা Training দেওয়া।
সহজভাবে বলতে গেলে, মডেলকে বিপুল পরিমাণ তথ্য দেখিয়ে বারবার অনুমান করতে দেওয়া হয়। ভুল হলে সেটি সংশোধন করা হয়। এরপর আবার চেষ্টা করা হয়।
বড় AI মডেলের ক্ষেত্রে এই প্রক্রিয়া হাজার হাজার GPU দিয়ে সপ্তাহের পর সপ্তাহ, কখনো মাসের পর মাস চলতে পারে।
আপনার দেওয়া তথ্যে Stanford AI Index-এর হিসাব উল্লেখ করে বলা হয়েছে:
- GPT-4-এর প্রশিক্ষণে শুধু কম্পিউটার বাবদ আনুমানিক ৭৯ মিলিয়ন ডলার খরচ হয়েছে।
- Gemini Ultra-এর প্রশিক্ষণে খরচ হয়েছে প্রায় ১৯২ মিলিয়ন ডলার।
অর্থাৎ শুধু একটি মডেলকে প্রশিক্ষণ দিতেই বিপুল অর্থ ব্যয় হতে পারে।
কিন্তু Training শেষ হলেই খরচ শেষ নয়
এখানেই AI অর্থনীতির আরও বড় অংশ শুরু হয়।
Training হলো AI মডেলকে শেখানোর প্রক্রিয়া। আর Inference হলো সেই শেখা জ্ঞান ব্যবহার করে আপনার প্রশ্নের উত্তর দেওয়া।
Training মাঝে মাঝে করা হলেও Inference চলে দিন-রাত, ২৪ ঘণ্টা।
বিশ্বের কোটি কোটি মানুষ যখন AI ব্যবহার করে, তখন প্রতিটি প্রশ্নের পেছনে কম্পিউটিং শক্তি ব্যবহার হয়।
একটি প্রশ্নের খরচ হয়তো খুবই সামান্য। কিন্তু একই কাজ কোটি কোটি বার হলে সেই সামান্য খরচই বিশাল অর্থে পরিণত হয়।
সব AI প্রশ্নের খরচ সমান নয়
বাংলাদেশের রাজধানী কী, এই প্রশ্নের উত্তর দেওয়া এবং ২০০ পৃষ্ঠার একটি রিপোর্ট বিশ্লেষণ করে ভুল খুঁজে বের করা একই ধরনের কাজ নয়।
ভিডিও তৈরি, দীর্ঘ Reasoning এবং AI Agent-এর মাধ্যমে বহু ধাপের কাজ করানোর মতো জটিল কাজ অনেক বেশি Energy Intensive হতে পারে।
তাই AI-এর প্রকৃত খরচ নির্ভর করে কত মানুষ ব্যবহার করছে, কতবার ব্যবহার করছে এবং AI-কে কতটা কঠিন কাজ করানো হচ্ছে তার ওপর।
AI-এর আরেকটি বড় খরচ পানি
GPU কাজ করার সময় প্রচুর তাপ উৎপন্ন হয়। তাই বড় ডাটা সেন্টারে শক্তিশালী কুলিং সিস্টেম দরকার হয়।
কিছু কুলিং সিস্টেমে পানি ব্যবহার করা হয়।
তবে কত পানি লাগে তার নির্দিষ্ট হিসাব নেই। ডাটা সেন্টার কোন শহরে, আবহাওয়া কেমন, কী ধরনের কুলিং প্রযুক্তি ব্যবহার করা হচ্ছে এবং বিদ্যুৎ কোথা থেকে আসছে, এসবের ওপর হিসাব পরিবর্তিত হয়।
প্রদত্ত তথ্যে একটি বহুল আলোচিত গবেষণার হিসাব উল্লেখ করা হয়েছে, যেখানে প্রায় ২০ থেকে ৫০টি GPT-স্টাইল প্রশ্ন ও উত্তরের সঙ্গে প্রায় আধা লিটার পানির হিসাব জড়িত থাকার অনুমান করা হয়েছিল।
এটি সরাসরি প্রতিটি প্রশ্নের জন্য একটি নির্দিষ্ট পরিমাণ পানি খরচের হিসাব নয়। তবে এর মাধ্যমে AI ব্যবস্থার পানি ও শক্তির চাহিদার বড় চিত্রটি বোঝানো হয়েছে।
২০৩০ সালে ডাটা সেন্টার কত বিদ্যুৎ খেতে পারে?
প্রদত্ত তথ্যে অনুমান করা হয়েছে, ২০৩০ সাল নাগাদ পৃথিবীর মোট বিদ্যুতের প্রায় ৩ শতাংশ ডাটা সেন্টারের জন্য ব্যবহৃত হতে পারে।
তবে ডাটা সেন্টার পৃথিবীর সব জায়গায় সমানভাবে ছড়িয়ে নেই।
বিশেষ করে যুক্তরাষ্ট্রের বিদ্যুৎ গ্রিডের ক্ষেত্রে এর প্রভাব আরও বড় হতে পারে বলে দেওয়া তথ্যে উল্লেখ রয়েছে।
এখন থেকে ২০৩০ সাল পর্যন্ত যুক্তরাষ্ট্রে যত নতুন বিদ্যুতের চাহিদা তৈরি হবে, তার প্রায় অর্ধেক ডাটা সেন্টার থেকে আসতে পারে বলে সেখানে উল্লেখ করা হয়েছে।
২০২৫ সালেই বিশ্বজুড়ে ডাটা সেন্টারের বিদ্যুৎ ব্যবহার প্রায় ১৭ শতাংশ বেড়েছে বলেও দেওয়া তথ্যের মধ্যে উল্লেখ রয়েছে।
শুধু বিদ্যুৎ উৎপাদন করলেই হবে না
AI ডাটা সেন্টারের জন্য বিদ্যুৎ দরকার। কিন্তু বিদ্যুৎ উৎপাদন করলেই সমস্যার সমাধান হয় না।
সেই বিদ্যুৎ ডাটা সেন্টারে পৌঁছানোর জন্য দরকার:
- ট্রান্সফর্মার
- সাবস্টেশন
- ট্রান্সমিশন লাইন
- গ্রিড কানেকশন
- নতুন বিদ্যুৎ কেন্দ্র
একটি ডাটা সেন্টার কয়েক বছরের মধ্যে তৈরি করা সম্ভব হলেও নতুন বিদ্যুৎ কেন্দ্র, গ্রিড সংযোগ ও বড় ট্রান্সফর্মার একই গতিতে তৈরি করা যায় না।
এখানেই AI-এর দ্রুত সম্প্রসারণ বাস্তব অবকাঠামোর সীমাবদ্ধতার মুখোমুখি হচ্ছে।
তাহলে AI-এর বিল দিচ্ছে কে?
এখন আসল প্রশ্ন হলো, কোটি কোটি মানুষ যদি AI-এর ফ্রি ভার্সন ব্যবহার করে, তাহলে এত বড় খরচের টাকা আসে কোথা থেকে?
প্রদত্ত তথ্যে AI কোম্পানিগুলোর আয়ের কয়েকটি প্রধান পথ উল্লেখ করা হয়েছে।
১. সাবস্ক্রিপশন
যারা বেশি ক্ষমতা, বেশি ব্যবহার এবং উন্নত মডেল চান, তারা মাসিক বা অন্যান্য সাবস্ক্রিপশন প্ল্যানের জন্য টাকা দেন।
২. API
অন্য কোম্পানিগুলো নিজেদের অ্যাপ বা সফটওয়্যারের মধ্যে AI মডেল ব্যবহার করতে পারে।
অনেক ক্ষেত্রে ব্যবহারের পরিমাণ অনুযায়ী Token ভিত্তিতে অর্থ নেওয়া হয়।
৩. Enterprise Contract
ব্যাংক, বড় অফিস ও কর্পোরেশনগুলো নিজেদের তথ্য, নিরাপত্তা এবং বিশেষ সুবিধার জন্য AI কোম্পানির সঙ্গে বড় অংকের চুক্তি করতে পারে।
৪. বিজ্ঞাপন
ফ্রি AI ব্যবহারের ক্ষেত্রেও বিজ্ঞাপন একটি সম্ভাব্য আয়ের পথ হয়ে উঠছে। প্রদত্ত তথ্যে বলা হয়েছে, ChatGPT-এর Free এবং Go প্ল্যানে কিছু দেশে বিজ্ঞাপন চালু হয়েছে।
Revenue আর Profit এক জিনিস নয়
AI কোম্পানি প্রচুর আয় করলেই যে লাভ করছে, এমন নয়।
আপনার দেওয়া তথ্যে বলা হয়েছে, OpenAI-এর ২০২৫ সালের Revenue ছিল ১৩ বিলিয়ন ডলার, কিন্তু একই বছরে কোম্পানিটি ৩৪ বিলিয়ন ডলারেরও বেশি খরচ করেছে।
কারণ AI কোম্পানিগুলোকে একই সঙ্গে নতুন মডেল, ডাটা সেন্টার, চিপ এবং কম্পিউটিং অবকাঠামোর পেছনে বিপুল অর্থ ব্যয় করতে হচ্ছে।
এটাই AI ব্যবসার অন্যতম বড় বৈশিষ্ট্য।
AI কোম্পানিগুলো ফ্রি সেবা দিচ্ছে কেন?
একটি সাধারণ যুক্তি হলো, ফ্রি AI ব্যবহারকারী আজ টাকা না দিলেও ভবিষ্যতে পেইড ব্যবহারকারী হতে পারেন।
অর্থাৎ আজকের ফ্রি ব্যবহার ভবিষ্যতে সাবস্ক্রিপশন বা অন্য কোনো আয়ের উৎসে পরিণত হবে, এমন প্রত্যাশায় কোম্পানিগুলো বর্তমানে বড় খরচ বহন করছে।
তবে একই সঙ্গে যত বেশি মানুষ ফ্রি AI ব্যবহার করে, AI কোম্পানির কম্পিউটিং ও বিদ্যুৎ খরচও বাড়ে।
এখানেই AI ব্যবসার বড় অর্থনৈতিক প্রশ্নটি তৈরি হয়।
নতুন AI Gold Rush
১৮৪৯ সালের California Gold Rush-এর সঙ্গে বর্তমান AI প্রতিযোগিতার তুলনা করা হয়েছে।
তখন বহু মানুষ সোনা খুঁজতে ক্যালিফোর্নিয়ায় ছুটে গিয়েছিল। সবাই সোনা পায়নি। কিন্তু যারা সোনা খোঁজার মানুষদের কাছে বেলচা, কোদাল, জুতা ও অন্যান্য সামগ্রী বিক্রি করেছিল, তাদের ব্যবসা জমজমাট হয়েছিল।
এই উদাহরণ থেকেই বর্তমান AI অর্থনীতিকে নতুন ধরনের Gold Rush হিসেবে ব্যাখ্যা করা হয়েছে।
AI বাজারে কে জিতবে, সেটি এখনো নিশ্চিত নয়। কিন্তু শক্তিশালী AI তৈরি করতে প্রয়োজনীয় চিপের চাহিদা নিশ্চিতভাবেই বড় হয়ে উঠেছে।
Nvidia: AI Gold Rush-এর 'বেলচা' বিক্রেতা
বড় AI মডেল তৈরি ও চালাতে শক্তিশালী GPU প্রয়োজন।
এই বাজারে Nvidia-কে বর্তমান AI Gold Rush-এর অন্যতম গুরুত্বপূর্ণ চিপ সরবরাহকারী হিসেবে তুলে ধরা হয়েছে।
অর্থাৎ AI কোম্পানিগুলো ভবিষ্যতে সফল হোক বা ব্যর্থ হোক, তাদের শক্তিশালী চিপ দরকার। ফলে AI দৌড়ের অবকাঠামো সরবরাহকারীরাও এই অর্থনীতির গুরুত্বপূর্ণ অংশ হয়ে উঠেছে।
Amazon একই সঙ্গে বিনিয়োগকারী ও সরবরাহকারী
আপনার দেওয়া তথ্যে Amazon ও Anthropic-এর সম্পর্কের একটি উদাহরণ রয়েছে।
সেখানে বলা হয়েছে, Amazon Anthropic-এ মোট ৮ বিলিয়ন ডলার বিনিয়োগ করেছে।
একই সঙ্গে Anthropic-এর প্রধান Cloud Partner হলো Amazon Web Services বা AWS।
অর্থাৎ Anthropic AI মডেল চালাতে Amazon-এর কাছ থেকেই কম্পিউটিং ক্ষমতা কিনছে। আবার তাদের মডেল চালাতে Amazon-এর Trainium চিপও ব্যবহার হচ্ছে।
ফলে একদিকে Amazon বিনিয়োগ করছে, অন্যদিকে Cloud, Chip এবং Computing-এর মাধ্যমে সেই অর্থের একটি অংশ আবার Amazon-এর কাছেই ফিরে আসছে।
এখানেই AI অর্থনীতির জটিলতা।
একটি কোম্পানি একই সঙ্গে বিনিয়োগকারী, সরবরাহকারী এবং Cloud Provider হতে পারে।
কেন AI কোম্পানিগুলো দৌড় থামাতে পারছে না?
ধরা যাক দুটি কোম্পানি AI নিয়ে প্রতিযোগিতা করছে।
একটি কোম্পানি খরচ কমানোর জন্য ধীরে চলল। অন্য কোম্পানি আরও বেশি চিপ কিনল, আরও গবেষক নিয়োগ করল এবং আরও বড় মডেল তৈরি করল।
দ্বিতীয় কোম্পানি যদি এমন একটি মডেল তৈরি করে যা প্রথম কোম্পানির তুলনায় অনেক ভালো হয়, তাহলে প্রথম কোম্পানির জন্য বড় ঝুঁকি তৈরি হতে পারে।
এই পরিস্থিতিকে Game Theory-এর Prisoner's Dilemma-এর সঙ্গে তুলনা করা হয়েছে।
সবাই একসঙ্গে ধীরে চললে খরচ কমতে পারে। কিন্তু একজন থামলে অন্যজন এগিয়ে যাওয়ার ঝুঁকি রয়েছে। ফলে কেউই সহজে দৌড় থামাতে চাইছে না।
AI প্রতিযোগিতায় DeepSeek-এর ঘটনা
প্রদত্ত তথ্যে ২০২৫ সালের DeepSeek-এর ঘটনা তুলে ধরা হয়েছে।
চীনের DeepSeek তাদের প্রকাশিত হিসাব অনুযায়ী তুলনামূলক কম খরচে শক্তিশালী মডেল তৈরি করে দেখায়।
এর পর যুক্তরাষ্ট্রে AI তৈরির ব্যয়ের মাত্রা নিয়ে প্রশ্ন তৈরি হয়।
এই ঘটনার প্রভাব বাজারেও দেখা যায়। একদিনে Nvidia-এর বাজারমূল্য প্রায় ৫৯৩ বিলিয়ন ডলার কমে যাওয়ার কথা দেওয়া তথ্যে উল্লেখ করা হয়েছে।
এটি তখন পর্যন্ত একটি মার্কিন কোম্পানির ইতিহাসে সবচেয়ে বড় একদিনের পতন হিসেবে উল্লেখ করা হয়েছে।
এই ঘটনা আরও একটি বিষয় সামনে আনে, শুধু বেশি চিপ থাকলেই হবে না, দক্ষ গবেষণাও গুরুত্বপূর্ণ।
AI-এর সামনে সবচেয়ে বড় বাধাগুলোর একটি বিদ্যুৎ
AI-এর চাহিদা বাড়ছে। কিন্তু বিদ্যুৎ অবকাঠামো একই গতিতে বাড়ছে না।
নতুন বিদ্যুৎ কেন্দ্র, ট্রান্সমিশন লাইন, ট্রান্সফর্মার ও গ্রিড সংযোগ তৈরি করতে সময় লাগে।
প্রদত্ত তথ্যে International Energy Agency-এর কথা উল্লেখ করে বলা হয়েছে, নতুন গ্রিড সংযোগ, বিদ্যুৎ কেন্দ্র ও ট্রান্সফর্মার তৈরিতে দীর্ঘ সময় লাগার কারণে অনেক ডাটা সেন্টার প্রকল্প পিছিয়ে যাচ্ছে।
বিদ্যুৎ যদি কয়লা ও গ্যাস থেকে আসে, তাহলে কার্বন নিঃসরণও বাড়তে পারে।
অন্যদিকে কোনো একটি অঞ্চলে অতিরিক্ত ডাটা সেন্টার তৈরি হলে স্থানীয় বিদ্যুৎ গ্রিডেও চাপ তৈরি হতে পারে।
AI-এর সুবিধাও কম নয়
AI-এর শক্তি খরচ নিয়ে আলোচনা থাকলেও এর সম্ভাব্য সুবিধার উদাহরণও রয়েছে।
প্রদত্ত তথ্যে AlphaFold-এর উদাহরণ দেওয়া হয়েছে। জীববিজ্ঞানে প্রোটিনের ত্রিমাত্রিক গঠন অনুমান করা দীর্ঘদিনের একটি জটিল সমস্যা ছিল।
AlphaFold ব্যবহার করে প্রায় ২০ কোটি পরিচিত প্রোটিনের গঠন অনুমান করা হয়েছে বলে দেওয়া তথ্যের মধ্যে উল্লেখ রয়েছে।
এই কাজের সঙ্গে যুক্ত দুই ব্যক্তি ২০২৪ সালে রসায়নে নোবেল পুরস্কার পেয়েছেন বলেও সেখানে বলা হয়েছে।
AI নিজেকেও আরও দক্ষ করতে ব্যবহার করা হচ্ছে। Google DeepMind তাদের একটি ডাটা সেন্টারে কুলিংয়ের জন্য প্রয়োজনীয় বিদ্যুৎ খরচ সর্বোচ্চ প্রায় ৪০ শতাংশ কমিয়েছে বলে প্রদত্ত তথ্যে উল্লেখ করা হয়েছে।
AI আরও দক্ষ হলে বিদ্যুৎ খরচ কি কমবে?
এখানে রয়েছে একটি গুরুত্বপূর্ণ অর্থনৈতিক ধারণা, Jevons Paradox।
১৮৬৫ সালে ব্রিটিশ অর্থনীতিবিদ William Stanley Jevons লক্ষ্য করেছিলেন, Steam Engine আরও দক্ষ হওয়ার পরও মোট কয়লার ব্যবহার কমেনি। বরং ব্যবহার বেড়েছিল।
কারণ একটি প্রযুক্তি আরও দক্ষ ও সস্তা হলে সেটির ব্যবহার বাড়তে পারে।
AI-এর ক্ষেত্রেও একই ধরনের ঝুঁকি দেখা যাচ্ছে।
প্রদত্ত তথ্যে বলা হয়েছে, GPT-3.5-এর কাছাকাছি পারফরম্যান্স পাওয়ার ক্ষেত্রে প্রতি ১ মিলিয়ন টোকেনের Inference Cost ২০২২ সালের শেষ থেকে ২০২৪ সালের শেষ পর্যন্ত ২৮০ গুণেরও বেশি কমেছে।
অর্থাৎ AI ব্যবহার করা অনেক সস্তা হয়ে গেছে।
কিন্তু সস্তা হওয়ার কারণে ব্যবহারও বেড়েছে। আগে যে কাজগুলো AI দিয়ে করার কথা মানুষ ভাবত না, সেগুলোও এখন AI দিয়ে করা হচ্ছে।
ফলে প্রতি কাজের খরচ কমলেও মোট AI ব্যবহারের পরিমাণ বাড়ছে।
এটাই AI অর্থনীতির একটি বড় প্যারাডক্স।
শেষ পর্যন্ত AI-এর বিদ্যুৎ আসবে কোথা থেকে?
AI যত দ্রুত বাড়ছে, তার সঙ্গে বাড়ছে বিদ্যুৎ, চিপ, ডাটা সেন্টার, কুলিং এবং অবকাঠামোর চাহিদা।
এখন সামনে বড় প্রশ্ন হলো, AI-এর ক্রমবর্ধমান বিদ্যুৎ চাহিদা কীভাবে পূরণ করা হবে?
কয়লা, গ্যাস, সৌরশক্তি, বায়ুশক্তি, পারমাণবিক বিদ্যুৎ কিংবা অন্য কোনো উৎস, কোন পথে এই চাহিদা পূরণ হবে, সেটিই ভবিষ্যতের AI অর্থনীতির অন্যতম গুরুত্বপূর্ণ প্রশ্ন।
একটি বিষয় অবশ্য স্পষ্টভাবে সামনে এসেছে: AI শুধু সফটওয়্যার নয়। এর পেছনে রয়েছে বিদ্যুৎ, চিপ, পানি, ডাটা সেন্টার, গ্রিড এবং শত শত বিলিয়ন ডলারের একটি বিশাল অর্থনৈতিক অবকাঠামো।
AI, Artificial Intelligence, AI Economy, AI Business, ChatGPT, ChatGPT Cost, AI Data Center, Data Center Electricity, AI বিদ্যুৎ খরচ, AI প্রযুক্তি, Nvidia, OpenAI, Google AI, Amazon AI, Anthropic, DeepSeek, GPU, AI Chip, AI Gold Rush, Jevons Paradox, AI Future, Technology News, AI News Bangla
মতামত জানান: